Folyamatos adatrobbanásban élünk, elárasztanak az adatok. Hasznos információvá alakításukhoz többféle, az utóbbi időben általában bigdata-alapú módszereket használunk. De egyre gyakrabban előfordulnak esetek, amikor a kevesebb itt is több, és előnyösebb kevésbé komplex, de célirányosabb small data adatkészletekhez nyúlni – akár még az MI betanításánál is.
◼︎ Small data, big data
A nagy adatot (big data-t) sokáig a vállalati menedzsment forradalmának tartották: úgy vélték, ha kellően nagy mennyiségű adatot szereznek be, és hatékonyan elemzik, egészen új üzleti tudás birtokába jutnak. Elegendő számítási erőforrással rendelkező és adatmérnökök sorával dolgozó nagyvállalatoknak be is vált, a megközelítés csúcsra futott. A legnagyobb cégek elvileg eredményesen és gyorsan gyűjtenek össze és dolgoznak fel óriási adatkészleteket, majd hoznak azok alapján profitot generáló döntéseket.
Az összkép viszont rosszabbul néz ki.
Big data helyett small data
A Gartner 2017-ben a bigdata-alapú projektek 85 százalékának csődjéről számolt be, mert általában nem sikerült elérni velük a tervezett üzleti célokat. A helyzet azóta folyamatosan, de csak lassan javul.
Mi akkor a következő lépés? – fogalmazódik meg egyre gyakrabban vállalati döntéshozók fejében. Általában az automatizációban találnak megoldásra, amelynek a mesterséges intelligencia az egyik pillére, és amelyet a növekvő költségek és energiahasználat miatt viszont gazdaságosabb kevesebb adattal alkalmazni, azaz a small data a szervezeti adatstratégia kiemelten fontos elemévé válik.
Térnyerését elvileg egy másik tényező is gyorsítja: egyszerűen nincs mindig szükség big datára, nem kell minden adatforrást felhasználni minden felhasználó számára egyedi döntések meghozásához. Az MI-technológiák egyre jobban hasznosítanak kisebb, speciális és funkcionális adathalmazokat – egyébként az ember is így tanul. Például az önvezető autóhoz használt mélytanulásos modellnek akarjuk megtanítani, hogy a jármű álljon meg a piros lámpánál. Az adatkészletnek valós lámpák változatos helyzeteit bemutató forgatókönyveket kell tartalmaznia, a lényegi ismeretek megőrzéséhez viszont a modellnek hatalmas adatmennyiség helyett speciális adatokkal működő tanulóalgoritmusra van szüksége.
Előnyök és hátrányok
Bár a Gartner már 2021-ben prognosztizálta, hogy szervezetek 70 százaléka a big datáról a small datára helyezi a hangsúlyt, az előrejelzés akadozva és a vártnál lassabban valósul meg.
A nagy adatkészletek számos kisebb készletből tevődnek össze. Ezek kevesebb adatot tartalmaznak, például vállalatok belső üzleti folyamatairól. Az adatok nem egyszer lassan generálódnak, problémás a gyűjtésük és a feldolgozásuk. Az is megesik, hogy ritkán, esetenként csak negyedévente frissülnek. A GDP, az infláció és más típusú makrogazdasági előrejelzések jellemzően ilyen, úgynevezett alacsony sebességű adatokat tartalmaznak.
| Big data és small data: a legfontosabb különbségek
Mennyiség Sebesség Változatosság |
A nagy mennyiségű és nagysebességű (gyakran változó) adatot tartalmazó készletek kezelése szintén okoz fejfájást: mivel ritkák az értékes mintázatok, az MI-nek néhány példa alapján kellene megtanulni az azonosításukat. Képzeljük el, hogy modellünkkel anomáliákat kerestetünk IoT-eszközökből összegyűjtött gyártási adatok között, és mi az eredmény? Milliónként három-négy hibánál biztos nem talál többet. Ennyiből nem mutathatók ki mintázatok, trendek.
A big data problémája még, hogy egy-egy hirtelen változás miatt gyorsabban elavul, mint a kis adatkészletek. Diszruptív változás volt például a Covid, amely egyszeriben érvénytelenítette a hagyományos elemzőmodelleket. Ezekben az esetekben új módszereket kell kidolgozni az előzmények nélküli adatok feldolgozására, mert a korábbi készletek a körülmények változásai miatt használhatatlanná válnak.
A small data is lehet elég
Kis adatkészletek elemzéséhez nincs szükség sokmilliárd paraméteres MI-modellekre. Mivel az adateloszlás kevesebb jegyet ír le, kisebb kapacitású mesterségesintelligencia-technikákkal, IoT- vagy edge eszközökön is feldolgozhatók. A small datával így válik lehetővé, hogy cégek szűken személyre szabott szolgáltatásokat kínáljanak. Például a magunkon viselhető eszközök viszonylag kevés mérése alapján az MI képes következtetni a felhasználó egészségügyi állapotára. Vagy kávéházaknak dolgozó modellek pár nap vásárlási adataiból a bevételt növelő fontos következtetéseket vonhatnak le.
Komplexebb felhasználási esetekben, például általános témájú beszélgetésekben a nagy nyelvi modellek jól teljesítenek. Konkrét matematikai problémákkal vagy szintén konkrét programozási stílusokkal viszont – néhány csúcsmodell kivételével – jóval nehezebben boldogulnak. Tanulják meg hozzá az összes lehetséges kódrészletet? Aligha. Maximum alapmodellként működnek, de a speciális feladathoz történő finomhangoláshoz más nagyon speciális, azaz small datával kell dolgozniuk.
Kevés adattal is boldogulhatnak az ágensek
A gépi tanulás ma elképzelhetetlen nagy adatkészletek nélkül, holott mint ahogy a példákból látjuk, nem lenne mindig szükség ekkora adatmennyiségre. A tavaly berobbant ágensalapú megközelítés, a gondolatlánc (chain-of-thought, CoT) módszer a „klasszikus” generatív MI-nél előnyösebb lehet kisebb adatkészletek feldolgozásánál, bár erről nagyon megoszlanak a vélemények.
A lényegében ok-okozati elven működő új MI az egyetlen, emberhez hasonlóan „gondolkozó” technológia. Elvileg akár egyetlen példából is képes tanulni: új típusú algoritmusok kevés adatpontból ismerik fel az összefüggéseket, korlátozott számú megfigyeléssel emeli ki belőlük a kritikus információkat.
Az oksági MI lehetővé teszi, hogy a humán partner megossza vele ismereteit. Főként olyan esetekben szolgáltathatunk a modellnek manuálisan adatokat, ahol és amikor azok nehezen vagy egyáltalán nem érhetők el másként. Ha az MI rendelkezik az üzleti környezet oksági modelljével, következtetései túl is mutathatnak a feldolgozásra kapott small datán, azaz akár az elérhető adatokból nem kikövetkeztethető forgatókönyveket is tud generálni.
